admin 
Žmonės manęs nuolat klausia, ko reikia, kad būtų rodomas AI atsakymuose. Jie teiraujasi konferencijų koridoriuose, LinkedIn žinutėse, skambinant ir seminarų metu. Klausimai visada skamba skirtingai, bet tikslas yra tas pats. Žmonės nori žinoti, kiek jų esamo SEO darbo vis dar taikoma. Jie nori žinoti, ko jiems reikia išmokti toliau ir kaip išvengti atsilikimo. Dažniausiai jie nori aiškumo (taigi ir mano nauja knyga!). Žemė po šia pramone atrodo tarsi pajudėjo per naktį, ir visi bando išsiaiškinti, ar per pastaruosius dvidešimt metų įgyti įgūdžiai vis dar svarbūs.
Jie tai daro. Bet ne tomis pačiomis proporcijomis, kaip anksčiau. Ir ne dėl tų pačių priežasčių.
Kai paaiškinu, kaip GenAI sistemos pasirenka turinį, kiekvieną kartą matau tą pačią reakciją. Pirma, palengvėjimas, kad pagrindiniai dalykai vis dar svarbūs. Tada atsiranda susirūpinimas, kai jie supranta, kokia dalis darbų, kuriuos jie laikė neprivalomais, dabar yra privalomi. Ir galiausiai – smalsumo ir diskomforto samplaika išgirdus apie naują darbo sluoksnį, kurio tiesiog nebuvo net prieš penkerius metus. Paskutinė akimirka yra ta, kai baimė praleisti virsta motyvacija. Mokymosi kreivė nėra tokia staigi, kaip žmonės įsivaizduoja. Vienintelė reali rizika yra manyti, kad būsimas matomumas laikysis vakarykščių taisyklių.
Štai kodėl šis trijų sluoksnių modelis padeda. Tai suteikia struktūrą netvarkingam pokyčiui. Tai parodo, kas perkeliama, kam reikia daugiau dėmesio ir kas visiškai nauja. Ir tai leidžia protingai pasirinkti, kur toliau praleisti laiką. Kaip visada, galite nesutikti su manimi arba palaikyti mano idėjas. Man viskas gerai. Aš tiesiog bandau pasidalinti tuo, ką suprantu, ir jei kiti mano, kad viskas yra kitaip, tai visiškai gerai.
Šiame pirmajame rinkinyje yra darbas, kurį jau žino kiekvienas patyręs SEO. Nė vienas iš jų nėra naujas. Pasikeitė neteisingo suklydimo kaina. LLM sistemos labai priklauso nuo aiškios prieigos, aiškios kalbos ir stabilios aktualumo. Jei jau susikoncentruojate į šį darbą, esate geroje starto pozicijoje.
Jau rašote, kad atitiktumėte naudotojo ketinimus. Šie įgūdžiai perduodami tiesiai į GenAI pasaulį. Skirtumas tas, kad LLM vertina reikšmę, o ne raktinius žodžius. Jie klausia, ar turinio dalis aiškiai atsako į vartotojo ketinimus. Jiems neberūpi raktinių žodžių aprėptis ar protingas frazavimas. Jei jūsų turinys išsprendžia problemą, kurią vartotojas pateikia modeliui, sistema juo pasitiki. Jei jis nukrypsta nuo temos arba sumaišo kelias idėjas tame pačiame gabale / bloke, jis bus apeinamas.
Teminiai fragmentai paruošė pramonę tam. Išmokote vadovautis atsakymu ir paremti jį kontekstu. LLM pradinius gabalo sakinius traktuoja kaip savotišką pasitikėjimo balą. Jei modelis gali matyti atsakymą pirmuose dviejuose ar trijuose sakiniuose, jis daug labiau tikėtina, kad naudos tą bloką. Jei atsakymas yra paslėptas po švelniu įvadu, prarasite matomumą. Tai nėra stilistinė pirmenybė. Kalbama apie riziką. Modelis nori sumažinti neapibrėžtumą. Tiesioginiai atsakymai sumažina tą neapibrėžtumą.
Tai dar vienas seniai įgytas įgūdis, kuris tampa vis svarbesnis. Jei tikrinimo programa negali švariai gauti jūsų turinio, LLM negali juo pasikliauti. Galite rašyti puikų turinį ir tobulai jį struktūrizuoti, ir tai nesvarbu, jei sistema negali jo pasiekti. Švarus HTML, protinga puslapio struktūra, pasiekiami URL ir aiškus robots.txt failas vis dar yra esminiai dalykai. Dabar jie taip pat turi įtakos vektorinio indekso kokybei ir tai, kaip dažnai jūsų turinys rodomas AI atsakymuose.
Greitai besikeičiančių temų atnaujinimas šiandien yra svarbesnis. Kai modelis renka informaciją, jis nori stabiliausio ir patikimiausio temos požiūrio. Jei jūsų turinys tikslus, bet pasenęs, sistema dažnai teikia pirmenybę naujesnei konkurento daliai. Tai tampa labai svarbu tokiose kategorijose kaip reglamentai, kainodara, sveikata, finansai ir naujos technologijos. Kai tema pasislenka, naujiniai turi judėti kartu su ja.
Tai visada buvo SEO esmė. Dabar tai tampa dar svarbiau. LLM ieško patirties modelių. Jie teikia pirmenybę šaltiniams, kuriuose buvo parodytas temos gylis, o ne vienkartinė aprėptis. Kai modelis bando išspręsti problemą, jis parenka blokus iš šaltinių, kurie nuosekliai atrodo autoritetingi ta tema. Štai kodėl GenAI pasaulyje žlunga plono turinio strategijos. Jums reikia gylio, o ne aprėpties dėl aprėpties.
Šioje antroje grupėje yra užduočių, kurios egzistavo senajame SEO, bet retai buvo atliekamos disciplinuotai. Komandos juos švelniai palietė, bet nelaikė jų kritiškais. GenAI eroje jie dabar turi tikrą svorį. Jie daro daugiau nei lenkų turinį. Jie tiesiogiai veikia dalių gavimą, įterpimo kokybę ir citavimo rodiklius.
Nuskaitymas buvo svarbus, nes žmonės naršo puslapius. Dabar svarbios yra dalių ribos, nes modeliai nuskaito blokus, o ne puslapius. Idealus blokas yra trumpas 100–300 žodžių, apimantis vieną idėją be jokio nukrypimo. Jei į vieną bloką supakuosite kelias idėjas, nukentės jų paieška. Jei kuriate ilgas, vingiuotas pastraipas, įterpimas netenka dėmesio. Geriausiai veikiantys gabalai yra kompaktiški, struktūriški ir aiškūs.
Anksčiau tai buvo stiliaus pirmenybė. Jūs pasirenkate, kaip pavadinti savo produktą ar prekės ženklą, ir stengiatės išlikti nuoseklūs. GenAI eroje subjekto aiškumas tampa techniniu veiksniu. Įdėdami modelius sukuriami skaitiniai modeliai pagal tai, kaip jūsų objektai atrodo kontekste. Jei jūsų vardai keičiasi, įterpimai nukrypsta. Tai sumažina gavimo tikslumą ir sumažina jūsų galimybes, kad modelis jus naudos. Dėl stabilaus pavadinimo modelio turinį lengviau suderinti.
Komandos į turinį pabarstė statistiką, kad atrodytų autoritetingos. To jau nebeužtenka. LLM reikia saugių, konkrečių faktų, kuriuos jie galėtų cituoti nerizikuodami. Jie ieško skaičių, žingsnių, apibrėžimų ir aiškių paaiškinimų. Kai jūsų turinyje yra stabilių faktų, kuriuos lengva iškelti, jūsų tikimybė būti pacituotam padidėja. Kai jūsų turinys yra neaiškus arba daug nuomonių, jūs tampate mažiau tinkamas naudoti.
Nuorodos vis dar svarbios, bet paminėjimo šaltinis yra svarbesnis. LLM labai sveria mokymo duomenis. Jei jūsų prekės ženklas pasirodo vietose, kurios žinomos dėl griežtų standartų, modelis kuria jūsų subjekto pasitikėjimą. Jei esate daugiausia silpnuose domenuose, tas pasitikėjimas nesusiformuoja. Tai nėra klasikinis nuorodų kapitalas. Tai yra reputacijos lygis modelio treniruočių atmintyje.
Aiškus rašymas visada padėjo paieškos sistemoms suprasti ketinimus. GenAI eroje tai padeda modeliui suderinti turinį su vartotojo klausimu. Protinga rinkodaros kalba daro įterpimus mažiau tikslius. Paprasta, tiksli kalba pagerina paieškos nuoseklumą. Jūsų tikslas nėra linksminti modelį. Jūsų tikslas yra būti nedviprasmiškam.
Šioje paskutinėje grupėje yra darbas, apie kurį pramonė anksčiau neturėjo galvoti. Šios užduotys neegzistavo dideliu mastu. Dabar jie yra vieni iš didžiausių matomumą skatinančių veiksnių. Dauguma komandų šio darbo dar neatlieka. Tai yra tikrasis atotrūkis tarp prekių ženklų, atsirandančių AI atsakymuose, ir prekių ženklų, kurie išnyksta.
LLM nereitinguoja puslapių. Ji rikiuoja gabalus. Kiekvienas gabalas konkuruoja su kiekviena kita ta pačia tema. Jei jūsų dalių ribos yra silpnos arba blokas apima per daug idėjų, jūs pralaimite. Jei blokas yra griežtas, tinkamas ir struktūrizuotas, jūsų šansai būti pasirinktam didėja. Tai yra GenAI matomumo pagrindas. Atgavimas lemia viską, kas seka.
Jūsų turinys ilgainiui tampa vektoriais. Struktūra, aiškumas ir nuoseklumas formuoja, kaip tie vektoriai atrodo. Švarios pastraipos sukuria švarius įterpimus. Mišrios koncepcijos sukuria triukšmingus įterpimus. Kai jūsų įterpimai yra triukšmingi, jie praranda užklausas ir niekada nerodomi. Kai įterpimai yra švarūs, jie dažniau susilygiuoja ir pakyla. Tai nematomas darbas, tačiau jis apibrėžia sėkmę GenAI pasaulyje.
Paprasti formatavimo pasirinkimai keičia tai, kuo modelis pasitiki. Antraštės, etiketės, apibrėžimai, žingsniai ir pavyzdžiai veikia kaip paieškos užuominos. Jie padeda sistemai susieti turinį pagal vartotojo poreikius. Jie taip pat sumažina riziką, nes nuspėjamą struktūrą lengviau suprasti. Kai pateikiate švarius signalus, modelis dažniau naudoja jūsų turinį.
LLM pasitikėjimą vertina kitaip nei „Google“ ar „Bing“. Jie ieško informacijos apie autorių, kredencialų, sertifikatų, citatų, kilmės ir stabilaus šaltinio. Jie teikia pirmenybę turiniui, mažinančiam atsakomybę. Jei modeliui pateikiate aiškius pasitikėjimo žymenis, jis gali drąsiai naudoti jūsų turinį. Jei pasitikėjimas silpnas arba jo nėra, jūsų turinys tampa foniniu triukšmu.
Modeliams reikia struktūros, kad būtų galima interpretuoti ryšius tarp idėjų. Sunumeruoti žingsniai, apibrėžimai, perėjimai ir sekcijų ribos pagerina paiešką ir sumažina painiavą. Kai jūsų turinys atitinka nuspėjamus modelius, sistema gali jį naudoti saugiau. Tai ypač svarbu teikiant patariamąjį turinį, techninį turinį ir bet kokią teisinę ar finansinę riziką keliančią temą.
Perėjimas prie GenAI nėra atstatymas. Tai pertvarkymas. Žmonės vis dar ieško pagalbos, idėjų, produktų, atsakymų ir patikinimo. Jie tiesiog tai daro per sistemas, kurios skirtingai vertina turinį. Galite likti matomi tame pasaulyje, bet tik tada, jei nustosite tikėtis, kad vakarykštė knyga duos tokių pačių rezultatų. Kai supranti, kaip veikia paieška, kaip tvarkomi gabaliukai ir kaip modeliuojama prasmė, rūkas pakyla. Darbas vėl tampa aiškus.
Daugumos komandų dar nėra. Jie vis dar optimizuoja puslapius, o AI sistemos vertina dalis. Jie vis dar mąsto raktiniais žodžiais, o modeliai lygina prasmę. Jie vis dar šlifuoja kopiją, kol modelis nuskaito pasitikėjimo signalus ir struktūrinį aiškumą. Kai supranti visus tris sluoksnius, nustoji spėlioti, kas svarbu. Jūs pradedate formuoti turinį taip, kaip sistema jį iš tikrųjų skaito.
Tai nėra užimtas darbas. Tai strateginis pagrindas kitam atradimų dešimtmečiui. Anksti prisitaikantys prekių ženklai įgis pranašumą, kuris laikui bėgant stiprės. AI neapdovanoja už garsiausią balsą. Tai apdovanoja aiškiausią. Jei kuriate tą ateitį dabar, jūsų turinys ir toliau bus rodomas ten, kur jūsų klientai žvelgs toliau.
Mano nauja knyga „Mašinų sluoksnis: kaip išlikti matomam ir patikimam AI paieškos amžiuje“ dabar parduodama Amazon.com. Tai yra vadovas, kurio norėjau egzistuoti, kai pradėjau pastebėti, kad senasis planas (reitingai, srautas, paspaudimų rodikliai) tyliai vis mažiau nuspėja tikruosius verslo rezultatus. Pakeitimas nėra abstraktus. Kai dirbtinio intelekto sistemos nusprendžia, kuris turinys turi būti nuskaitytas, cituojamas ir kuriuo pasitikima, jos taip pat nusprendžia, kuri patirtis lieka matoma, o kuri tampa nereikšminga. Knygoje aprašoma techninė architektūra, lemianti šiuos sprendimus (tokenizavimas, suskaidymas, vektorinis įterpimas, patobulinta generacija) ir paverčiama sistema, kurią iš tikrųjų galite naudoti. Jis sukurtas specialistams, kurių vaidmenys kinta, vadovams, bandantiems suprasti besikeičiančius rodiklius, ir visiems, kurie pajuto nepatogią atotrūkį tarp to, kas veikė anksčiau, ir to, kas veikia dabar.
Daugiau išteklių:
Šis įrašas iš pradžių buvo paskelbtas Duane Forrester Decodes.
Teminis vaizdas: Master1305 / Shutterstock
